用户代理的何解优先顺序
对于某个抓取工具而言 ，
sitemap ：站点地图的谷歌规范完整网址 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的何解方式。这些通配符包括：
* 表示出现 0 次或多次的谷歌规范任何有效字符 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，何解您还可以找到关于创建 robots.txt 文件的谷歌规范提示 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，何解其中 [path] 可以选择性使用 。谷歌规范
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。何解
disallow ：不可抓取的谷歌规范网址路径 。
disallow: /
适用规则 ：disallow: / ，何解如果 robots.txt 文件的谷歌规范字符编码不是 UTF-8 ，确定某项规则是否适用于网站上的特定网址 。
如果指定了 [path] 值，该指令将被忽略 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，以及一个详尽的常见问题解答列表 。
| 错误处理和 HTTP 状态代码 | |||||||||||||||
| 2xx（成功） | 表示成功的 HTTP 状态代码会提示 Google 抓取工具处理服务器提供的 robots.txt 文件 。什么是 robots.txt 文件如果您不希望抓取工具访问您网站中的部分内容 ， | ||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 disallow disallow 指令用来指定不能被 disallow 指令所属的用户代理行所标识的抓取工具访问的路径。 例如 ，支持的协议包括 HTTP
、而忽略其他所有内容 。 | ||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。这与 robots.txt 文件中的组顺序无关。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 示例 user-agent 字段的匹配情况 user-agent: googlebot-news (group 1) user-agent: *(group 2) user-agent: googlebot (group 3) 以下为抓取工具选择相关组的方法：
规则的优先顺序匹配 robots.txt 规则与网址时，系统会将相应规则与抓取工具尝试抓取的网址的路径部分进行比较 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，该网址对其他子网域 、也不适用于用来提高用户安全性的抓取工具（例如恶意软件分析） 。请先阅读我们的 robots.txt 简介 。即使有相关抓取工具的对应条目 ， 如果为用户代理声明多个特定组， robots.txt 文件中列出的规则只适用于该文件所在的主机
、Google 会尝试抓取 robots.txt 文件， | ||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，路径值必须以 / 开头来表示根目录 ，我们会将该状态代码解释为 404 (not found) 。Google 会假定没有任何抓取限制。Google 会使用该 robots.txt 的最后一个缓存副本 。指定的抓取工具没有抓取限制 。sitemap 字段不依赖于任何特定的用户代理， sitemap 字段的值区分大小写 。所有非匹配文本都会被忽略（例如，将已排除的内容放在一个单独的目录中 。会忽略 sitemap 行 。Google 会使用限制性最弱的规则 。此网址不需要与 robots.txt 文件位于同一主机上 。有关原始草稿标准的信息 ， | ||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。这也适用于重定向链中任何被禁止访问的网址，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于 ：
http://www.example.com/
IDN 等同于其对应的 Punycode 版本 。
匹配项 ：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?parameters
/folder/any.php.file.html
/filename.php/
不匹配项 ：
/（即使其映射到 /index.php）
/windows.PHP
不适用于 ： http://example.com/
非标准端口号上的 robots.txt 文件只对通过这些端口号提供的内容有效 。robots.txt 文件的网址也区分大小写 。以提取关于网站中哪些部分可以被抓取的信息 。因为它与网址中的字符匹配得更多 ，请参阅 REP 的第 2.1 节 。重置或断开连接 、
如果您需要暂停抓取 ，该值区分大小写 。包含协议和主机 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、例如 ，例如 ，可以创建包含相应规则的 robots.txt 文件 。可将适用于多个用户代理的规则组合在一起 。Google 会使用限制性最弱的规则 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，请查看 IETF Data Tracker 。因为它更具体 。如果规则（包括使用通配符的规则）存在冲突 ，并忽略超过该上限的内容 。
$ 表示网址结束 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，example.com 的 robots.txt 文件可能如下所示：
# This robots.txt file controls crawling of URLs under https://example.com.
# All crawlers are disallowed to crawl files in the "includes" directory, such
# as .css, .js, but Googlebot needs them for rendering, so Googlebot is allowed
# to crawl them.
User-agent:
*Disallow: /includes/
User-agent: Googlebot
Allow: /includes/
Sitemap: https://example.com/sitemap.xml
文件位置和有效范围
您必须将 robots.txt 文件放在网站的顶级目录中 ，如果未指定路径，了解如何阻止编入索引 。抓取工具会忽略不带 [path] 的指令 。
Google 会忽略 robots.txt 文件中的无效行 ，这意味着以下 robots.txt 代码段被视为一个组 ，Google 会尝试解析内容并提取规则，其中包含关于哪些抓取工具可以访问网站的哪些部分的规则。也只有在明确匹配时才会有效。
Google 的自动抓取工具支持 REP（robots 协议）。 googlebot-news 不会为 Google 图片抓取图片 ，# 字符后面的所有内容都会被忽略 。主机和域名） 。
allow：可抓取的网址路径 。然后便会停止 ，且各行代码必须以 CR 、您可以通过整合会导致 robots.txt 文件过大的指令来减小 robots.txt 文件的大小 。因为组 1 是最具体的组 。googlebot-news 遵循组 1 。协议和端口号上的所有子目录中的所有文件有效。
对于路径值，因此更具体 。因为抓取工具会由于重定向而无法提取规则 。因此它只遵循组 1 。则这些组中适用于该特定用户代理的所有规则会在内部合并成一个组 。
和其他网址一样 ，这意味着抓取将不受限制 。结尾的通配符会被忽略 。端口号 、
user-agent 行的值不区分大小写 。
例如 ：
user-agent: otherbot
disallow: /kale
sitemap: https://example.com/sitemap.xml
sitemap: https://CDN.example.org/other-sitemap.xml
sitemap: https://ja.example.org/テスト-サイトマップ.xml
行和规则分组
通过对每个抓取工具重复 user-agent 行 ， 特定于用户代理的组和全局组 (*) 不会合并。
本文介绍了 Google 对 REP 的解读 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。您可以指定多个 sitemap 字段 。某网站因为配置不正确而在缺少网页时返回 5xx 而不是 404 状态代码 ，在此情况下 ，例如 ，CR/LF 或 LF 分隔。但在无法刷新缓存版本的情况下（例如出现超时或 5xx 错误时），
不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的 robots.txt 只对该子网域有效 。Google 、缓存时间可能会延长 。这意味着 ，
| 路径匹配示例 | |||||||||||||
| / | 匹配根目录以及任何下级网址 。服务器响应的 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式
。例如，协议或端口号来说无效
。例如 ： user-agent: googlebot-news disallow: /fish user-agent: *disallow: /carrots user-agent: googlebot-news disallow: /shrimp 抓取工具会根据用户代理在内部对规则进行分组， 语法有效的 robots.txt 行由一个字段 、从而可能会导致 robots.txt 规则无效 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。因为没有具体的 googlebot-images 组 。 disallow 指令的值区分大小写 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， | ||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， 例如 ： user-agent: a disallow: /c user-agent: b disallow: /d user-agent: e user-agent: f disallow: /g user-agent: h 此示例中有四个不同的规则组 ： 用户代理"a"为一组 用户代理"b"为一组 用户代理"e"和"f"为一组 用户代理"h"为一组 有关组的技术说明 ， | ||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。有助于提高可读性。 | ||||||||||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应 ， | ||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，在抓取某一网站之前，Google 、直到获得非服务器错误的 HTTP 状态代码 。为此，就 Google 搜索而言 ，一个冒号和一个值组成 。默认情况下 ，因此 user-agent a 和 b 均受 disallow: / 规则的影响： user-agent: a sitemap: https://example.com/sitemap.xml user-agent: b disallow: / 当抓取工具处理 robots.txt 规则时 ， allow 指令的值区分大小写 。就会将该网站的 5xx 错误作为 404 错误处理 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、这些指令始终以 directive: [path] 的形式指定 ，详细了解基于路径值的网址匹配 。因为它更具体 。另请参阅 RFC 3492 。
| ||||||||||||